En los últimos años, las placas de enfriamiento líquido modulares se han aplicado ampliamente en los sistemas de disipación térmica de equipos electrónicos navales. Garantizar la capacidad de enfriamiento mientras se evita la condensación en la superficie de la placa de enfriamiento líquido es crucial para el funcionamiento seguro de los equipos electrónicos. Este estudio experimental investigó los cambios dinámicos de la temperatura superficial de la placa de enfriamiento líquido y el fenómeno de la condensación bajo diferentes condiciones de enfriamiento, y estableció un modelo híbrido basado en redes neuronales convolucionales (CNN) y redes de memoria a largo corto plazo (LSTM) (CNN-LSTM) para predecir la temperatura de las áreas propensas a la condensación en la superficie de la placa. Los resultados muestran que las áreas propensas a la condensación están influenciadas por el efecto de borde, y que en el proceso donde la temperatura desciende hasta el punto de rocío hasta la condensación real, existen fenómenos de sobreenfriamiento y retraso en la condensación. Al mismo tiempo, el error absoluto medio (MAE) de las predicciones de temperatura del modelo CNN-LSTM se redujo en un 41,7 % y 48,8 % respectivamente en comparación con las CNN y LSTM; el error cuadrático medio (RMSE) se redujo en un 40,7 % y 49,1 % respectivamente; y el coeficiente de determinación R² también fue mejor que en los modelos CNN y LSTM.

Placa de enfriamiento;Prevención de condensación;Variación dinámica de la temperatura;Predicción de temperatura